Fused Deep Learning for Hurricane Track Forecast from Reanalysis Data

Sophie Giffard-Roisin 1 Mo Yang 1 Guillaume Charpiat 2 Balázs Kégl 1 Claire Monteleoni 1
2 TAU - TAckling the Underspecified
LRI - Laboratoire de Recherche en Informatique, UP11 - Université Paris-Sud - Paris 11, Inria Saclay - Ile de France, CNRS - Centre National de la Recherche Scientifique : UMR8623
Abstract : The forecast of hurricane trajectories is crucial for population and goods protection. In this work, we propose a fused neural network composed of one neural network using past trajectory data and of one convolutional neural network using reanalysis atmospheric wind fields images. This fused network is trained to estimate the longitude and latitude 6h-forecast of hurricanes and depressions from a large database from both hemispheres (more than 3000 storms since 1979). The average error distance (32.9km) is significantly lower than the baseline (46.5km), and the advantage of the fusion of the two networks is demonstrated.
Type de document :
Communication dans un congrès
Climate Informatics Workshop Proceedings 2018, Sep 2018, Boulder, United States
Liste complète des métadonnées

https://hal.archives-ouvertes.fr/hal-01851001
Contributeur : Sophie Giffard-Roisin <>
Soumis le : samedi 28 juillet 2018 - 17:38:21
Dernière modification le : jeudi 7 février 2019 - 15:00:02
Document(s) archivé(s) le : lundi 29 octobre 2018 - 12:35:43

Fichier

main.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01851001, version 1

Citation

Sophie Giffard-Roisin, Mo Yang, Guillaume Charpiat, Balázs Kégl, Claire Monteleoni. Fused Deep Learning for Hurricane Track Forecast from Reanalysis Data. Climate Informatics Workshop Proceedings 2018, Sep 2018, Boulder, United States. 〈hal-01851001〉

Partager

Métriques

Consultations de la notice

593

Téléchargements de fichiers

654